基于多尺度特征融合的超分辨率重建算法研究

超分辨率重建技术可以提高图像质量,使原图像具有更丰富的细节信息。针对现有的超分辨率重建算法存在提取特征单一、不利于对图像信息进一步提取的问题,提出了一种基于多尺度特征融合的超分辨率重建算法。采用多特征提取模块获取更多浅层信息,并在网络中添加密集连接结构,增强特征的传播,减少相关参数计算,减轻梯度消失问题。在Set5和Set14基准数据集上进行了测试,并在电力巡检数据集上进一步验证了算法的有效性。与主流的超分辨率重建方法进行了对比,实验结果表明,该方法生成的图像有更加丰富的细节信息,能够有效地改善图像质量,峰值信噪比与结构相似度值较其他主流算法均有一定的提高。     

基于中心差分卷积的自监督学习方法研究

作为无监督学习的一个分支,自监督学习可以从大量无标签数据中学习到有用的特征,是近期一个热门的研究方向.基于前置任务和对比学习的自监督学习已经得到了大量的研究,但对于卷积操作的选择还没有得到足够的重视.将中心差分卷积神经网络引入自监督学习,探究了卷积操作对自监督学习性能的影响.实验结果显示,加入了中心差分卷积神经网络的Resnet18模型相比普通模型在下游分类任务上的性能提升了4.14%,在几乎未增加计算量的情况下,与Resnet50性能相当.     

基于静压差法的流量测量方法

节流式流量计在流量参数计量中占有重要地位,但是普遍存在节流损失大、量程比小、直管段要求高等缺陷。通过对静压差流量测量方法以及管道约束条件对流量测量影响的研究,提出了一种基于改进静压差法的流量测量方法。利用引进的管道约束条件,结合静压差法及流体流动参数,建立了基于支持向量机的流量测量模型。通过与传统节流式流量计(标准的孔板)的比较实验,表明了该方法没有节流损失,流量测量范围宽,流体流量的测量精度可以达到2%以内,适合于工业参数的实际测量。     

基于深度残差神经网络的电阻层析成像及流型辨识方法

针对电阻层析成像(electrical resistance tomography, ERT)反问题成像精度和流型识别准确率偏低的问题,提出一种基于深度残差神经网络的两相流电阻层析成像及流型识别方法。利用有限元法对ERT正问题建模,构造多种气液两相流分布状态的“边界电压–电导率分布–流型类别”数据集。搭建用于气液两相流ERT图像重建和流型辨识的残差神经网络模型并进行网络训练,将残差神经网络的两个输出分别进行数据处理,得到重建的电导率分布图像和流型辨识结果。仿真与静态实验结果表明：该方法能够同时实现成像及流型辨识的需求,具有重建图像精度高、泛化性和抗噪性强、流型辨识准确度高的特点。     

基于卷积神经网络的气液两相流流型识别方法

针对两相流流型识别率不高且存在主观性的问题,提出一种基于Landweber迭代图像重建算法和卷积神经网络相结合的流型识别方法.利用Landweber迭代图像重建算法来获取流型图像并构建出流型图像数据库,通过对 VGG16网络中不同的卷积层层数和不同尺寸及分辨率的数据集样本进行流型识别,确定了网络冻结卷积层和输入图片的参...